Michelangelo

Michelangelo

新型3D形状生成技术,形状-图像-文本对齐方法

Michelangelo项目提出'先对齐后生成'方法,解决2D图像或文本生成3D形状的难题。通过形状-图像-文本对齐空间,该技术缩小了不同模态间的差距。项目核心包括SITA-VAE模型(用于3D形状编码和重建)和ASLDM模型(学习多模态到形状空间的映射)。实验结果显示,这种方法能生成质量更高、多样性更强、且与输入条件语义一致性更好的3D形状。

Michelangelo3D形状生成图像条件生成文本条件生成多模态对齐Github开源项目

米开朗基罗

基于形状-图像-文本对齐潜在表示的条件3D形状生成<br/>

赵子博, 刘文, 陈鑫, 曾宪方, 王睿, 程佩, 傅彬, 陈涛, 余刚, 高盛华<br/>

Hugging Face演示 | 项目页面 | Arxiv | 论文<br/>

https://github.com/NeuralCarver/Michelangelo/assets/37449470/123bae2c-fbb1-4d63-bd13-0e300a550868

我们框架生成的3D形状的可视化,分为三组:左侧是条件输入,中间是法线贴图,右侧是三角网格。生成的3D形状在语义上符合视觉或文本条件输入。<br/>

🔆 特点

米开朗基罗具有三种能力:

  1. 将形状表示为形状-图像-文本对齐空间;
  2. 基于图像条件的形状生成;
  3. 基于文本条件的形状生成。
<details> <summary><b> 技术 </b></summary>

我们提出了一种新颖的"先对齐后生成"方法来解决基于2D图像或文本生成通用3D形状的挑战性任务。直接从图像或文本到3D形状学习条件生成模型容易产生与条件不一致的结果,因为3D形状具有额外的维度,其分布与2D图像和文本的分布显著不同。为了缩小三种模态之间的领域差距并促进多模态条件3D形状生成,我们探索了在形状-图像-文本对齐空间中表示3D形状。我们的框架包括两个模型:形状-图像-文本对齐变分自编码器(SITA-VAE)和条件对齐形状潜在扩散模型(ASLDM)。前者将3D形状编码到与图像和文本对齐的形状潜在空间中,并通过基于transformer的解码器重建对应给定形状嵌入的精细3D神经场。后者学习从图像或文本空间到潜在形状空间的概率映射函数。我们的广泛实验表明,我们提出的方法可以生成更高质量、更多样化的3D形状,在语义上更好地符合视觉或文本条件输入,验证了形状-图像-文本对齐空间对跨模态3D形状生成的有效性。

新网络

</details>

📰 新闻

  • [2024/1/23] 设置了<a href="https://huggingface.co/spaces/Maikou/Michelangelo">Hugging Face演示</a>并发布代码
  • [2023/09/22] 米开朗基罗被NeurIPS 2023接收!
  • [2023/6/29] 上传论文并初始化项目

⚙️ 设置

安装

按照以下命令安装环境。我们已在Tesla V100和Tesla T4上测试了安装包。

git clone https://github.com/NeuralCarver/Michelangelo.git
cd Michelangelo
conda create --name Michelangelo python=3.9
conda activate Michelangelo 
pip install -r requirements.txt

检查点

请从<a href="https://huggingface.co/Maikou/Michelangelo/tree/main/checkpoints">Hugging Face模型空间</a>下载权重并将其放在根文件夹中。我们还上传了与CLIP相关的权重以方便快速使用。

<details> <summary><b> 配置调试提示 </b></summary>
  • 如果在环境配置过程中不幸出现问题,用户可以考虑跳过那些包,如pysdf、torch-cluster和torch-scatter。这些包不会影响我们提供的命令的执行。
  • 如果在下载CLIP时遇到任何问题,可以考虑从CLIP的Hugging Face页面下载。下载完成后,记得修改配置文件中的第26行第34行,以提供CLIP的正确路径。
  • 来自问题6。对于Windows用户,运行wsl2 + ubuntu 22.04时会出现问题。如问题786中讨论的那样,只需在.bashrc中添加以下内容:
export LD_LIBRARY_PATH=/usr/lib/wsl/lib:$LD_LIBRARY_PATH.
</details>

⚡ 快速开始

推理

重建3D形状

./scripts/inference/reconstruction.sh

基于图像条件的形状生成

./scripts/inference/image2mesh.sh

基于文本条件的形状生成

./scripts/inference/text2mesh.sh

简单运行所有脚本

./scripts/infer.sh

❓ 常见问题

引用

如果您发现我们的代码或论文有帮助,请考虑引用:

@inproceedings{ zhao2023michelangelo, title={Michelangelo: Conditional 3D Shape Generation based on Shape-Image-Text Aligned Latent Representation}, author={Zibo Zhao and Wen Liu and Xin Chen and Xianfang Zeng and Rui Wang and Pei Cheng and BIN FU and Tao Chen and Gang YU and Shenghua Gao}, booktitle={Thirty-seventh Conference on Neural Information Processing Systems}, year={2023}, url={https://openreview.net/forum?id=xmxgMij3LY} }

许可证

本代码在GPL-3.0许可证下分发。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多